# Un pipeline de datos roto es un problema de la operación, no un ticket del equipo de datos

> Databricks dice que más de la mitad de 80.000 incidentes de pipelines requería conocimiento propio de la empresa. Ese conocimiento vive en la operación.

- Type: Opinión
- Published: 2026-11-21
- Author: Sentynel
- URL: https://sentynel.ai/es/sygnals/un-pipeline-roto-es-un-problema-de-la-operacion/
- Language: es

El 19 de noviembre de 2026, Databricks abrió en beta pública Genie ZeroOps, un agente que vigila los pipelines de datos y propone correcciones. La frase más útil del anuncio no habla del agente. Durante la vista previa privada, el agente observó más de 80.000 incidentes reales de clientes, y Databricks encontró que "más de la mitad de los incidentes requiere conocimiento específico de la organización para clasificarlos, priorizarlos y resolverlos". **Ese hallazgo muestra de dónde vienen de verdad los incidentes de datos: el negocio cambió y nadie le avisó al pipeline. Por eso la corrección le pertenece a la operación, no a una cola del equipo de datos.**

## La salida fácil: que el agente mantenga todo en verde

El atractivo es real. Los pipelines fallan de madrugada, las tablas dejan de actualizarse sin dar error, un esquema cambia tres tablas más arriba y un dashboard empieza a mostrar algo incorrecto sin que nadie lo note. Un agente que vigila todo eso, rastrea la causa por el linaje de los datos, prueba la corrección sobre una copia y abre un pull request para aprobar le quita al equipo mucho trabajo tedioso. Databricks es cuidadosa en este punto: dice que ZeroOps nunca cambia código ni datos de producción sin que una persona lo revise antes.

**Genie ZeroOps · vista previa privada**

- 80.000+: incidentes reales de clientes observados en cientos de empresas
- Más de la mitad: de los incidentes requirió conocimiento específico de la organización para clasificarlos, priorizarlos y resolverlos

Source: Blog de Databricks, "Genie ZeroOps, now in public beta", 19 de noviembre de 2026.

Nada de lo que sigue va en contra de la herramienta. La pregunta es quién lee ese pull request y qué se le está pidiendo que decida.

## La mayoría de esos incidentes son preguntas de negocio

Piensa en lo que significa "conocimiento específico de la organización" en el día a día. Una línea de producto nueva empezó a venderse con un código que la tabla de reportes no espera. Un proveedor cambió el formato de su archivo. Una región se fusionó con otra por razones comerciales. El equipo de ventas empezó a registrar los descuentos en otro campo. Una columna llena de valores vacíos puede ser un error, o puede estar bien porque una tienda cerró la semana pasada.

**Ninguna de esas es una decisión de ingeniería de datos. Son decisiones que tomó el negocio, y el pipeline es el primer lugar donde aparecen.** Un ingeniero de datos que revisa la corrección puede saber si el código está bien. Lo que casi nunca puede saber es si el número nuevo es el correcto, porque la respuesta depende de algo que pasó en ventas, en finanzas o en la operación.

Por eso el conocimiento es "específico de la organización". No le falta al modelo. Falta en el camino entre las personas que cambian el negocio y los sistemas que lo registran.

## Una cola de aprobación en el lugar equivocado

Esto es lo que pasa cuando el incidente sigue siendo un ticket del equipo de datos. El agente encuentra la falla y propone una corrección. Un ingeniero aprueba la versión que hace que el proceso vuelva a correr. El pipeline queda en verde. El cambio comercial que causó la falla nunca se habló con quien lo hizo, así que vuelve a pasar el mes siguiente, con otra forma, y el agente lo vuelve a corregir.

Todo se ve sano. Menos procesos fallidos, recuperación más rápida, un dashboard limpio. **Pero un pipeline que se repara solo cada semana te está diciendo que un proceso del negocio cambia sin dejar registro del cambio.** Recuperarse más rápido hace que esa señal sea más fácil de ignorar.

Databricks parece ver lo mismo: después de la vista previa agregó bandejas compartidas, instrucciones personalizadas para el agente y notificaciones. Son funciones para enrutar. La pregunta es hacia dónde.

## Lleva el incidente al responsable del paso que cambió

Trata cada incidente de datos como un evento de la operación, con un responsable del lado del negocio:

**Un incidente de datos dentro de la operación**

1. Detectar — El agente marca la falla o la desviación silenciosa
2. Rastrear el origen — El linaje encuentra la tabla de origen y el paso que la alimenta
3. Preguntar al responsable — ¿Fue un cambio del negocio? ¿El valor nuevo es correcto?
4. Aprobar la corrección — Datos aprueba el código; el responsable aprueba el significado
5. Registrar el cambio — La regla de negocio queda escrita donde el próximo agente la pueda leer

En la práctica, son cuatro decisiones que se toman antes de encender el agente:

1. **Cada tabla de origen tiene un responsable de negocio**, no solo uno técnico. La persona que puede decir si un valor nuevo es correcto.
2. **La corrección necesita dos aprobaciones cuando cambia el significado.** El equipo de datos aprueba el código. El responsable de negocio aprueba que el número ahora dice lo que el negocio quiere decir.
3. **Cada incidente resuelto deja una regla escrita.** "La región Norte incluye el antiguo territorio Oeste desde el 1 de noviembre". Escrita donde la puedan leer personas y agentes.
4. **Los incidentes repetidos se cuentan por paso.** La tercera falla en la misma fuente ya no es un incidente. Es un proceso que hay que rediseñar.

## Conectar ventas y analítica fue el trabajo

El caso Campoverde de Sentynel empezó con un problema conocido: ventas tenía una visión y analítica tenía otra. Dos visiones del mismo negocio hacen que cada diferencia termine en una discusión sobre qué número es el bueno. El sistema que se construyó convirtió ventas y analítica en una capa de decisión compartida, para que el directorio pudiera hacer sus preguntas a una sola fuente. Después, una campaña en Walmart se construyó a partir de lo que revelaron los datos. El registro del caso de Sentynel reporta un aumento de ventas de +18%; el aumento es un resultado reportado de la campaña y el gráfico usa una línea base normalizada.

Lo importante no es el aumento. Es que la capa de decisión solo funciona cuando quienes dirigen el negocio y quienes manejan los datos están de acuerdo en qué significa cada número, y siguen de acuerdo cuando el negocio cambia.

## Una primera prueba

Toma los últimos 30 incidentes de datos que resolvió tu equipo. Para cada uno, anota quién fuera del equipo de datos podría haber explicado la causa. Si más de la mitad tiene un nombre del lado del negocio, tus incidentes no son un problema de calidad de datos. Son una operación que cambia sin avisarle a sus propios registros. Un agente puede mantener los pipelines funcionando. Decidir quién es responsable del cambio sigue siendo tu trabajo.

## Fuentes

- https://www.databricks.com/blog/genie-zeroops-now-public-beta-autonomous-agent-fixes-data-pipelines-lessons-80000-customer
- https://www.databricks.com/blog/introducing-genie-zeroops
